CN114279433A - 地图数据自动化生产方法、相关装置及计算机程序产品 - Google Patents
地图数据自动化生产方法、相关装置及计算机程序产品 Download PDFInfo
- Publication number
- CN114279433A CN114279433A CN202111589727.4A CN202111589727A CN114279433A CN 114279433 A CN114279433 A CN 114279433A CN 202111589727 A CN202111589727 A CN 202111589727A CN 114279433 A CN114279433 A CN 114279433A
- Authority
- CN
- China
- Prior art keywords
- track
- crowdsourcing
- map
- image
- standard
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 52
- 238000004590 computer program Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 67
- 230000008859 change Effects 0.000 claims abstract description 53
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 11
- 230000004044 response Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3811—Point data, e.g. Point of Interest [POI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3822—Road feature data, e.g. slope data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3848—Data obtained from both position sensors and additional sensors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3863—Structures of map data
- G01C21/387—Organisation of map data, e.g. version management or database structures
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Instructional Devices (AREA)
- Image Analysis (AREA)
- Navigation (AREA)
Abstract
本公开提供了一种地图数据自动化生产方法、装置、电子设备、计算机可读存储介质及计算机程序产品,涉及智能导航、深度学习等人工智能技术领域。该方法包括:将众包轨迹以对应的标准轨迹为基准进行轨迹纠偏,并基于纠偏后众包轨迹中包含的轨迹点图像的深度信息,对包含的各地图要素进行定位;利用预先构建出的实体语义地图,比较基于纠偏后众包轨迹定位得到的最新地图要素和对应定位位置下的旧地图要素;响应于最新地图要素相较于旧地图要素存在变化,根据预先抽象自地图要素更新规范的变化地图要素处理标准,确定目标处理方式;按目标处理方式对最新地图要素进行处理,得到处理后的最新地图。应用该方法能够提升地图数据的自动化生产效率和准确性。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及智能导航、深度学习等人工智能技术领域,可应用于智能交通场景,尤其涉及一种地图数据自动化生产方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
导航电子地图,在为亿万用户提供出行服务同时也作为新基建数字底座,在各个行业发挥着越来越重要,不可或缺的作用。对于地图产品来说,数据是赖以生存的基础设施,准确是地图的生命线,时效则是地图刻画真实世界的必备能力。
地图数据的生产模式,主要是基于采集到的现实世界影像数据,对比路网地图数据发现变化。对于采集得到的现实世界资料,通过检测识别环节识别出图像中需要的交通设施等要素,通过要素定位环节计算得到要素在真实世界中的坐标位置,通过变化分析环节判断要素是否发生变化以及变化的业务价值高低,最后将发现的符合地图要素更新规范的变化更新制作到地图数据中。
传统的地图数据更新方式,主要通过“人工扫街”模式,主要的“检测识别”、“要素定位“及”变化分析“环节都是通过人工来实现,也就是作业员通过一张张查看采集到的图像,再对比地图数据中相近位置的数据,通过人工对比的方式发现变化并将符合地图要素更新规范的变化更新至地图数据中。
发明内容
本公开实施例提出了一种地图数据自动化生产方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本公开实施例提出了一种地图数据自动化生产方法,包括:将众包轨迹以对应的标准轨迹为基准进行轨迹纠偏,并基于纠偏后众包轨迹中包含的轨迹点图像的深度信息,对包含的各地图要素进行定位;利用预先构建出的实体语义地图,比较基于纠偏后众包轨迹定位得到的最新地图要素和对应定位位置下的旧地图要素;响应于最新地图要素相较于旧地图要素存在变化,根据预先抽象自地图要素更新规范的变化地图要素处理标准,确定目标处理方式;按目标处理方式对最新地图要素进行处理,得到处理后的最新地图。
第二方面,本公开实施例提出了一种地图数据自动化生产装置,包括:地图要素定位单元,被配置成将众包轨迹以对应的标准轨迹为基准进行轨迹纠偏,并基于纠偏后众包轨迹中包含的轨迹点图像的深度信息,对包含的各地图要素进行定位;要素比较单元,被配置成利用预先构建出的实体语义地图,比较基于纠偏后众包轨迹定位得到的最新地图要素和对应定位位置下的旧地图要素;目标处理方式确定单元,被配置成响应于最新地图要素相较于旧地图要素存在变化,根据预先抽象自地图要素更新规范的变化地图要素处理标准,确定目标处理方式;变化要素处理单元,被配置成按目标处理方式对最新地图要素进行处理,得到处理后的最新地图。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的地图数据自动化生产方法。
第四方面,本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的地图数据自动化生产方法。
第五方面,本公开实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的地图数据自动化生产方法。
为更好的实现地图数据的自动化生产,本公开将其拆解为依次进行的两部分,即针对在先的地图要素定位部分,通过少量但精准的标准轨迹对海量但不精准的众包轨迹进行轨迹纠偏,同时结合深度信息来实现对地图要素的更准确定位;针对在后的地图要素变化及更新部分,则通过从语义层面衔接真实世界和路网数据的实体语义地图,来更好的确定存在变化的地图要素,并最终按照通过变化地图要素处理标准确定出的目标处理方式来完成对变化地图要素的合理更新,从而得以实现地图数据的自动化生产效率和准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性系统架构;
图2为本公开实施例提供的一种地图数据自动化生产方法的流程图;
图3为本公开实施例提供的一种地图要素定位方法的流程图;
图4为本公开实施例提供的另一种地图要素定位方法的流程图;
图5为本公开实施例提供的一种进行单轨迹点匹配操作的流程图;
图6为本公开实施例提供的另一种进行单轨迹点匹配操作的流程图;
图7为本公开实施例提供的一种地图要素定位方法的步骤效果图;
图8为本公开实施例提供的一种构建实体语义地图的示意图;
图9为本公开实施例提供的一种地图数据自动化生产装置的结构框图;
图10为本公开实施例提供的一种适用于执行地图数据自动化生产方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1示出了可以应用本公开的地图数据自动化生产方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用,例如图像拍摄类应用、地图数据更新类应用、即时通讯类应用等。
终端设备101、102、103通过表现为不同形式的硬件,例如可以是具有图像拍摄能力的各种个人电子设备,包括但不限于智能手机、平板电脑、相机、智能手表、智能眼镜等。服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器;服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
服务器105通过内置的各种应用可以提供各种服务,以可以实现地图数据更新服务的地图数据更新类应用为例,服务器105在运行该地图数据更新类应用时可实现如下效果:首先,通过网络104接收终端设备101、102、103传入的对某个区域拍摄得到的众包轨迹,然后获取由专业设备对相同区域拍摄得到的标准轨迹,众包轨迹和标准轨迹均包括多个轨迹点,每个轨迹点均对应有至少一张轨迹点图像;然后,基于众包轨迹和标准轨迹间对应轨迹点图像中匹配的图像特征,对众包轨迹纠偏,得到纠偏后众包轨迹;下一步,确定纠偏后众包轨迹包含的轨迹点图像中各地图要素的深度信息;最后,根据深度信息对各地图要素进行定位。后续,还将继续通过预先构建出的实体语义地图判断定位出的各地图要素是否发生变化,以及通过预先抽象自地图要素更新规范的变化地图要素处理标准,确定目标处理方式,最终将按照目标处理方式将变化的地图要素进行合理的更新,以实现地图数据的更新。
本公开后续各实施例所提供的地图数据自动化生产方法一般由拥有较强运算能力、较多运算资源的服务器105来执行,相应地,地图数据更新装置一般也设置于服务器105中。但同时也需要指出的是,在终端设备101、102、103也具有满足要求的运算能力和运算资源时,终端设备101、102、103也可以通过其上安装的地图数据更新类应用完成上述本交由服务器105做的各项运算,进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下,但地图数据更新类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时,可以让终端设备来执行上述运算,从而适当减轻服务器105的运算压力,相应的,地图数据自动化生产装置也可以设置于终端设备101、102、103中。在此种情况下,示例性系统架构100也可以不包括服务器105和网络104。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参见图2,图2为本公开实施例提供的一种地图数据自动化生产方法的流程图,其中流程200包括以下步骤:
步骤201:将众包轨迹以对应的标准轨迹为基准进行轨迹纠偏,并基于纠偏后众包轨迹中包含的轨迹点图像的深度信息,对包含的各地图要素进行定位;
地图要素定位是非常关键的一个环节。只有精准定位地图要素的位置,才能更准确的判断现实世界的变化,同时提供更准确的导航播报及提醒,给用户更好的导航驾驶体验。地图要素定位就是通过采集设备采集得到的现实世界资料,计算得到地图要素在真实世界中的坐标位置的过程。
假设地图要素:
那么,地图要素的位置可以通过如下方式计算:
即为解决海量众包轨迹存在的定位准确性不佳的问题,本步骤旨在由地图数据自动化生产方法的执行主体(例如图1所示的服务器105)提供了先纠偏再结合深度信息的两阶段优化方式,来提升对地图要素定位的准确性。具体的:
第一阶段:轨迹纠偏,基于由专业采集设备采集得到的标准轨迹,通过轨迹点图像中图像特征匹配的方式,对由众包用户通过个人采集设备采集到的众包轨迹进行纠偏,以解决众包采集设备存在的定位精度低,轨迹漂移等问题;
第二阶段:深度估计,基于图像单目深度估计的要素定位,显著提升定位效果,有效解决众包采集设备类型繁多,采用传统的基于多视图几何方式导致的要素定位准确率低等问题。
对于出现在第一阶段的是众包轨迹和标准轨迹,其均包括多个轨迹点,每个轨迹点均对应有至少一张轨迹点图像。且需要说明的是,构成众包轨迹的轨迹点不一定完全与构成标准轨迹的轨迹点相同,即众包轨迹的各轨迹点位置可能不同于标准轨迹的各轨迹点位置。
其中,标准轨迹是由专业人员控制专业采集设备得到的轨迹点图像序列,例如通过高精度的激光雷达、高清晰度的摄像设备等,且这些设备与定位地图要素相关的参数均预先经过符合规范的调校,但因为成本高昂必然无法用于常态化的获取地图数据;而众包轨迹则是由广大普通用户通过其自持的个人采集设备拍摄得到的轨迹点图像序列,例如智能手机、平板电脑、智能手表、卡片机、智能眼镜等,此类设备会受到内参、外参、角度、光照等影响,导致设备定位精度低,非常容易出现漂移等问题,且设备繁杂导致内参、外参、角度、光照等存在巨大差异无法统一。
步骤202:利用预先构建出的实体语义地图,比较基于纠偏后众包轨迹定位得到的最新地图要素和对应定位位置下的旧地图要素;
步骤203:响应于最新地图要素相较于旧地图要素存在变化,根据预先抽象自地图要素更新规范的变化地图要素处理标准,确定目标处理方式;
步骤204:按目标处理方式对最新地图要素进行处理,得到处理后的最新地图。
在步骤201实现对地图要素定位的改进之后,步骤202-步骤204则是在此基础上给出了对变化分析环节的改进。
变化分析环节主要包括两部分:首先,确定该要素是否发生变化。即判断该要素是否为新增要素(该位置地图数据中没有该要素,现实世界新增加,比如新增60限速,新增电子眼),或是否为修改要素(该位置地图数据中存在该要素,但是类型发生了变化,比如电子眼从球型变成枪型,车信从直行变为左转等);其次,确定该变化是否符合地图要素更新规范。即基于地图数据的制作标准、更新规范来判断变化是否需要更新到地图数据中。
而为了满足不同导航系统之间导航数据的交换与互通,导航电子地图数据的制作标准存在行业及国家标准,规范不同的要素如何在地图数据中表达。同时针对不同的导航业务应用需求,也会有单独的数据表达需求。制作标准的要求,就会使得地图数据与真实世界之间存在语义转义的情况。
经调研发现存在以下问题:
1)单纯基于位置判断要素是否变化准确率低。有些要素在现实世界中位置为L1,但是在地图数据中要做在位置L‘ 1位置,比如匝道限速,位置一般在匝道前一定距离的高速主干道上,但是在地图数据中为了导航应用的便利,需要将限速做到匝道上。此外,当相同要素的位置非常接近时,单纯通过位置的对比,就很难判断是否为同一要素。这样就会导致,直接就要要素位置与地图数据直接对比判断要素是否变化的准确率低;
2)变化是否有符合地图要素更新规范强依赖人工。有些要素在现实世界中存在,但是在地图数据中不需要表达,例如电子眼如果是作用于非机动车道或是小区,由于作用于非机动车道或小区的电子眼对于驾车用户的价值不大,所以业务价值低,即使是新增变化,也不需要输出更新变化,即按照地图要素更新规范来将不需要对此变化进行更新。
因此,为了解决现有变化分析环节存在的上述技术问题,本实施例通过步骤202-步骤204提供的方案,来借助预先构建的实体语义地图更好的确定变化的地图要素,以及借助抽象自地图要素更新规范的变化地图要素处理标准,来确定变化地图要素的合理更新方式。
为更好的实现地图数据的自动更新,本实施例将其拆解为依次进行的两部分,即针对在先的地图要素定位部分,通过少量但精准的标准轨迹对海量但不精准的众包轨迹进行轨迹纠偏,同时结合深度信息来实现对地图要素的更准确定位;针对在后的地图要素变化及更新部分,则通过从语义层面衔接真实世界和路网数据的语义地图,来更好的确定存在变化的地图要素,并最终按照通过变化地图要素处理标准确定出的目标处理方式来完成对变化地图要素的合理更新,从而得以实现地图数据的自动化生产效率和准确性。
下面将分别针对“地图要素定位”环节和“变化分析”环节进行展开描述,以加深对各环节改进是如何实现的理解:
本实施例通过图3提供了一种地图要素定位方法的流程图,其中流程300包括以下步骤:
步骤301:获取对相同区域分别采集到的众包轨迹和标准轨迹;
本步骤旨在由地图要素定位方法的执行主体(可以仍为图1所示的服务器105,也可以是能够与服务器105进行通信的其它服务器)获取到对相同区域分别采集到的众包轨迹和标准轨迹。
步骤302:基于众包轨迹和标准轨迹间对应轨迹点图像中匹配的图像特征,对众包轨迹纠偏,得到纠偏后众包轨迹;
在步骤301的基础上,本步骤旨在由上述执行主体基于众包轨迹和标准轨迹间对应轨迹点图像中匹配的图像特征,对众包轨迹纠偏,得到纠偏后众包轨迹。
地图数据中的道路,绝大部分都在之前由专业采集设备采集过,由于专业采集设备的定位精度高,且有规范的专业采集人员、遵照数据采集标准,因此本步骤通过将由专业采集设备采集得到的标准轨迹作为基础轨迹,并基于匹配轨迹点对应的图像中匹配的图像特征,对通过众包手段采集得到的众包轨迹进行轨迹的纠偏,从而借此解决众包轨迹中的轨迹点图像存在的定位精度低、轨迹漂移等问题。
由于众包轨迹的轨迹点在位置上不一定与标准轨迹的轨迹点重合,因此在进行图像特征的匹配时,应当首先确定与众包轨迹点匹配的标准轨迹点,然后在此约束下进行轨迹点图像中特征的匹配操作。
步骤303:确定纠偏后众包轨迹包含的轨迹点图像中各地图要素的深度信息;
步骤304:根据深度信息对各地图要素进行定位。
在步骤302的基础上,步骤303-304旨在由上述执行主体确定纠偏后众包轨迹包含的轨迹点图像中各地图要素的深度信息,从而根据确定出的深度信息来更准确的定位各地图要素。
单目深度估计,是基于单张RGB(Red Green Blue,红绿蓝)图像,估计图像中每个像素相对拍摄源的距离。而不同于诸如人眼等双目系统,较难以从通过单目系统拍摄得到的图像中获取到图像中物体与拍摄设备之间的距离(后续将统称其深度信息),而深度信息在用于通过视觉的方式来对地图要素进行定位中能够较大的作用,能够帮助明确不同种类的个人设备拍摄得到的不同众包图像中相关参数,进而更好的对各地图要素所处的真实位置(或坐标)进行定位。
本公开实施例提供的地图要素定位方法,通过将由专业设备采集到的标准轨迹作为基础,对由众包用户通过个人设备采集到的众包轨迹进行纠偏,得以使海量、但精准度不佳的众包图像可以有效的用作地图要素的定位,而通过确定众包图像中各地图要素的深度信息,得以更好的确定众包图像中地图速度相对于个人设备的距离,进而能够更精准的定位出地图要素在真实世界的位置。
请参考图4,图4为本公开实施例提供的另一种地图要素定位方法的流程图,其中流程400包括以下步骤:
步骤401:获取由众包用户通过个人设备采集到的目标区域的众包轨迹;
众包轨迹包括多个众包轨迹点,每个众包轨迹点均对应有至少一张众包图像。
步骤402:获取由专业设备采集到的目标区域的标准轨迹;
标准轨迹包括多个标准轨迹点,每个标准轨迹点均对应有至少一张标准图像。
针对流程200中的步骤201,本实施例通过步骤401-步骤403给出了一种更具体的获取方式。
步骤403:对每个众包轨迹点均执行预设的单轨迹点匹配操作,得到众包轨迹中的每个众包轨迹点与各候选轨迹点之间的轨迹点匹配度;
本步骤旨在由上述执行主体通过分别对构成众包轨迹的每个众包轨迹点,均执行该单轨迹点匹配操作,得到每个众包轨迹点与各候选轨迹点之间的轨迹点匹配度。其中,候选轨迹点为标准轨迹中在轨迹点距离上匹配相应众包轨迹点的标准轨迹点。因此可知,该单轨迹点匹配操作是针对单个轨迹点所进行的轨迹点图像的图像特征匹配操作。
为实现上述目的,本实施例还通过图5具体提供了一种示例性的单轨迹点匹配操作流程图,其流程500包括如下步骤:
步骤501:将与当前的众包轨迹点距离不超过预设距离的标准轨迹点,确定为候选轨迹点;
步骤502:从当前的众包轨迹点对应的众包图像和候选轨迹点对应的标准图像中,分别提取得到众包图像特征和标准图像特征;
步骤503:根据众包图像特征和标准图像特征之间的特征匹配度,确定当前的众包轨迹点与候选轨迹点的轨迹点匹配度。
步骤501提供了基于距离的为众包轨迹点选取候选轨迹点的方式,步骤502则对每对匹配的众包轨迹点和候选轨迹点对应的图像进行特征提取,以便于步骤503通过计算众包图像特征和标准图像特征之间的特征匹配度,来最终确定当前的众包轨迹点与候选轨迹点的轨迹点匹配度。
步骤404:基于轨迹匹配度,对每个众包轨迹点的定位进行概率校准,得到每个众包轨迹点的校准后位置、方差、概率;
步骤405:将方差作为概率模型的置信度参数融合进卡尔曼滤波,并基于滤波处理后的位置、方差、速度对每个众包轨迹点进行重建,得到纠偏后众包轨迹;
步骤404-步骤405主要是基于卡尔曼滤波的原理对具有轨迹点匹配度的众包轨迹序列进行轨迹校准:首先,基于轨迹点匹配度,对单轨迹点的定位进行概率分数校准,输出每个轨迹点的校准位置、方差、概率;然后,将概率模型的方差作为置信度指标,融合到卡尔曼滤波中,将位置、方差、速度,作为输出,进行轨迹重建,实现基于卡尔曼滤波的连续轨迹纠偏,最终得到纠偏后众包轨迹。
步骤406:将纠偏后众包轨迹包含的轨迹点图像输入预设的深度估计模型;
步骤407:获取由深度估计模型输出的相应地图要素的深度信息;
深度估计模型用于表征地图图像与地图要素的深度信息之间的对应关系,训练得到深度轨迹模型的训练样本中的输入样本为图像数据、输出样本为深度图,深度图通过将点云数据对图像数据配准后得到。
例如在采用有监督的训练方式下,以拍摄得到的2D图像作为输入样本,以对应标注得到的深度图(记录有各像素点的深度信息)为输出样本进行训练。例如训练样本集合为表示有N个训练样本,I是输入2D图像样本,Id是对应的深度图。
可通过在已由的视觉采集设备基础上,增加激光雷达采集设备,以在采集2D图像的同时采集到点云数据,并通过定位设备、相机与雷达的同步配准图像与点云数据,进而获得每一帧采集图像对应的深度图。
例如可以采用Deep Residual U-Net深度神经网络模型作为深度估计模型的模型框架,进而实现基于单目图像预测对应图像的深度图,实现了更准确的要素定位。同时,通过结合预训练的图像分类任务的来初始化深度估计模型的Encoder网络权值,还可以进一步提升了深度估计的效果。
步骤408:根据深度信息对各地图要素进行定位。
最终,基于纠偏后的采集设备轨迹坐标,以及基于深度估计得到的深度信息,针对某个已经识别的地图要素,可以定位出其准确的坐标位置。
在流程200所示实施例的基础上,本实施例通过步骤401-步骤408提供了一套完整、更加具体的地图要素定位方案,不仅通过步骤401-步骤402明确了众包轨迹和标准轨迹的获取来源,还通过步骤403-步骤405提供了两阶段的众包轨迹纠偏方案,其中通过基于匹配图像特征的单轨迹点匹配操作得以较为准确的确定出轨迹点之间的匹配度,而后续基于卡尔曼滤波原理的处理则可以最终得到较平滑的纠偏后众包轨迹;同时也通过步骤406-步骤407提供了一种基于预设的深度估计模型的深度信息确定方案,而通过在训练阶段使用图像数据和经相应点云数据配准后得到的深度图所构成的训练样本对,尽可能的提升了确定出的地图要素的定位准确性。
为更好的理解作为上述实施例关键的单轨迹点匹配操作,本实施例还通过图6和图7对具体如何执行该操作进行详细说明,流程600包括如下步骤:
步骤601:将与当前的众包轨迹点距离不超过预设距离的标准轨迹点,确定为候选轨迹点;
步骤602:分别将从当前的众包轨迹点对应的众包图像和候选轨迹点对应的标准图像,输入预先构建的基于注意力机制局部特征点匹配的模型;
步骤603:获取由模型分别输出的众包图像特征和标准图像特征;
步骤604:计算众包图像特征和标准图像特征之间的初始特征匹配度;
步骤605:利用随机采样一致性算法对众包图像特征和标准图像特征进行几何验证,并将局内点数量作为几何验证结果;
步骤606:根据初始特征匹配度和归一化几何验证结果,确定最终特征匹配度;
步骤607:根据最终特征匹配度,确定当前的众包轨迹点与候选轨迹点的轨迹点匹配度。
为便于理解步骤601-步骤607,下面将举例说明:
然后,对于众包采集的轨迹点对应的图像与候选轨迹点集合对应的图像集合均通过基于注意力机制局部特征点匹配的模型(DELF,DEep Local Features)来提取图像特征,并两两计算从与中提取出的图像对特征的匹配程度,并使用随机采样一致性算法(RANSAC,RANdom SAmple Consensus)进行几何验证,用局内点的数量代表图像匹配的得分,并将匹配分数归一化到[0-100],以便于度量;
对应的,后续的卡尔曼滤波阶段也对应变更为:首先,基于得分对单轨迹点的定位进行概率分数校准,输出每个轨迹点的校准位置、方差、概率;然后,将概率模型的方差作为置信度指标,融合到卡尔曼滤波中,将位置、方差、速度,作为输出,进行轨迹重建,实现基于卡尔曼滤波的连续轨迹纠偏,最终得到纠偏后的序列
流程601-步骤607也可以转换为如图7所示的示意图,以更加直观的明确各步骤的输入、输出以及目的。
针对变化分析环节,下面将分别对流程200的步骤202-步骤204进行展开说明:
步骤202:利用预先构建出的实体语义地图,比较基于纠偏后众包轨迹定位得到的最新地图要素和对应定位位置下的旧地图要素;
本步骤旨在把变化分析从传统模式下简单的基于位置和路网地图的对比,变革为基于实体语义地图的变化分析。而实体语义地图是对真实世界实体的建模,这样就可以解决地图数据表达转义的问题。同时实体语义地图中,不仅包含位置信息,还通过要素分类、语义识别等,识别要素的详细类型,以及细粒度属性信息,同时基于表示学习的方法获取要素的图像特征。基于位置及多维度的属性特征,可以解决单纯基于位置判断带来的是否变化准确率低的问题。
通过基于图像语义分割技术,实现对图像中多维度场景的解析,例如通过判断电子眼的角度、朝向,与地面、区域的关系,判断电子眼是作用于机动车道、非机动车道,还是小区;通过识别限速标牌与地面关系,以及周边是否为施工,判断限速是正常限速,还是临时限速或施工限速等。
具体的,通过基于图像识别、图像分类和语义分割得到要素的属性识别、基于图像表示学习得到要素的图像特征以及基于图像场景解析得到要素的场景特征等,构建出真实世界要素的多维语义特征,重建要素的现实场景,通过以上方法获取大规模的实体语义地图。通过实体语义地图的方式,桥接现实世界与路网数据,通过该模式的创新,实现了高度自动化的数据生产能力。整体框架如图8所示。
步骤203:响应于最新地图要素相较于旧地图要素存在变化,根据预先抽象自地图要素更新规范的变化地图要素处理标准,确定目标处理方式;
一种基于场景解析的判断地图要素是否存在变化的方式为:
设属性集合A={A1,A2,…,AN},共有N个属性,其中A中包括所有要素全部属性,例如,要素类型是否为限速,以及限速类型(普通限速、区间限速-开始、区间限速-结束等)、车辆类型(小汽车、货车等)等属性;要素类型是否为电子眼,以及电子眼类型(球型、枪型等)、杆型(L型、Y型等)等属性;要素类型是否为车道线,以及车道线形状(实线、虚线、左实右虚等),颜色(黄色、白色等)等属性;其他要素类似,不一一枚举。针对每个要素的属性向量
针对“检测识别“及”要素定位“环节得到的某个要素e及其坐标位置Le,通过坐标位置在实体语义地图中一定范围阈值内,可以获取实体语义地图中的候选要素集合C:C={c∈E|d(Le,Lc)≤dt};其中,E为实体语义地图中所有的要素集合,d(*)为距离计算方法,可以选择欧式距离,dt为距离阈值,该阈值限制了在多大候选范围内选择做变化判断,例如20或50m,假设K=|C|。
基于“属性识别”及“表示学习”可以得到要素e的属性向量ae及图像特征集合Re,以及候选要素集合C对应的属性向量集合:aC={a1,a2,...,aK},及图像特征集合RC={R1,R2,...,RK},则要素e与某个候选要素c的是否为同一要素可通过如下方式计算:P(e=c)=f(ae,Re,ac,Rc);而f(*)则可以通过如下方式计算:
其中,α为属性特征相似性权重,默认可以设置为0.5,βi为第i个属性特征的权重,默认可以设置为1,(1-α)为图像特征相似性权重,γi为第i个图像特征的权重,默认可以设置为1。f(*)也可以定义为其他线性函数或非线性函数,通过人工标注的大量真实样本来学习。
通过以上方式计算要素e与候选要素集合C中每个要素是否为同一个要素的概率,通过以下方式判断要素的状态:
其中pt1,及pt2分别为未发生变化(Unchanged)及发生修改(Modified)的阈值,可以基于实际分布调整,T(*)为要素类型函数,比如电子眼、限速等。如果候选要素集合C中不存在与要素e超过一定概率阈值的要素,那么要素e为新增(Added)要素。
要素变化中,除了新增、修改以外,还有删除。删除可以看作是新增的逆操作,基于要素地图中的要素,与当前新采集的数据中做以上操作,就可以判断是否为删除,因此对删除不再单独阐述。
步骤204:按目标处理方式对最新地图要素进行处理,得到处理后的最新地图。
为更好的理解用于构建实体语义地图时所采用的属性识别、图像分类、语义分割技术,下面展开介绍下通过属性识别方法获取属性特征,以及通过表示学习获取图像特征的方法。
1、属性识别:
每个函数fk可以采用基于图像分类模型、图像语义分割模型或是两者结合的方式来实现。比如电子眼的杆型,L型杆或是Y型杆,可以通过检测识别得到要素的包围框,通过图像分类为电子眼,通过语义分割出杆状物,结合电子眼类型,与分割杆状物的关系,得到电子眼连接的杆,通过分割出杆的形状,判断杆型为Y型或L型。其他要素的属性识别可以按照同样的思路。
2、表示学习:
图像特征通过图像的表示学习获取,可以采用传统的基于关键点检测的方法(比如SIFT、SURF等)、基于深度学习的方法(比如Siamese Resnet、DELF等)等不同特征提取方法提取,或要素包围框区域图像、包含部分背景局部图像、全图等不同尺度图像提取得到。
以要素包含部分背景局部图像、采用基于深度学习方法为例,整个过程主要包括以下几个部分:
样本构造方法:通过多次采集的数据中,选择同一要素,不同拍摄时间,不同拍摄角度的图像为正样本。负样本采用几种方式获取:相邻一定范围内的要素,相同类型其他位置的要素,随机要素。
采用Siamese Resnet的深度神经网络模型来学习获得表示特征,损失函数:其中()+表示max(z,0),a,p,m,n均是batch中的图片,a,p是batch中最不像的正样本对,m,n是batch中最像的负样本对,α是根据实际需求设计的阈值。
基于训练后的网络,将选择的尺度的照片输入网络中,得到最后一层的向量即可以作为图像的特征向量。基于以上方式可以获取要素的一个图像特征,其他图像特征可以采用类似的流程来提取,不再赘述。
在此基础上,针对步骤702所提供的确定变化处理方式的部分,实际上就是确定符合规范的处理方式,也可以理解为:基于导航电子地图数据的制作标准对经过“变化判断“后认为存在变化的要素做是否符合地图要素更新规范判断。
每个函数hk为视觉算法的综合应用。以标准si“电子眼如果作用于非机动车道,则无更新价值“为例,针对已经通过前序环节判断为变化的电子眼,获取可以识别出该电子眼的图像I,首先通过语义分割,分割出图象中的路面及车道,同时实际OCR(OpticalCharacter Recognition,光学字符识别)识别出车道类型为机动车道或非机动车道。通过电子眼的包围框判断电子眼的朝向和角度,基于朝向与角度与地面的夹角关系,判断电子眼是否作用于非机动车道。如果电子眼作用于非机动车道,则符合标准si,那么该电子眼的变化为在地图要素更新规范下的无价值变化,即
即步骤202-步骤204所提供的方案是基于大规模的实体语义地图的变化分析的工艺模式创新,通过要素属性特征及图像特征的变化判断,通过图像场景解析的变化价值判断,大幅提升变化分析的自动化效果。
综合分别针对“地图要素定位”环节和改进和针对“变化是否符合地图要素更新规范的判断”环节的改进,就可以搭建起一个面向地图数据的自动化生产系统,用于自动化发现及更新地图数据变更的要素,包括但不限于“车道线”,“车道转向信息(车信)”,“交通限制(交限)”,“电子眼”,“红绿灯”等。
而该地图数据自动化生产系统,通过融合AI应用及工艺创新,实现全自动化的地图数据生产系统,不仅有效解决传统模式严重依赖人工带来的效率及质量问题,同时也大幅度提升了地图数据生产效率,是地图数据生产里程碑式的变革。对于提升用户使用地图体验,充分发挥地图作为新基建数字底座的价值,具有重大意义。
进一步参考图9,作为对上述各图所示方法的实现,本公开提供了一种地图数据自动化生产装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图9所示,本实施例的地图数据自动化生产装置900可以包括:轨迹获取单元901、众包轨迹纠偏单元902、深度信息确定单元903、地图要素定位单元904。其中,轨迹获取单元901,被配置成获取对相同区域分别采集到的众包轨迹和标准轨迹,众包轨迹和标准轨迹均包括多个轨迹点,每个轨迹点均对应有至少一张轨迹点图像;众包轨迹纠偏单元902,被配置成基于众包轨迹和标准轨迹间对应轨迹点图像中匹配的图像特征,对众包轨迹纠偏,得到纠偏后众包轨迹;深度信息确定单元903,被配置成确定纠偏后众包轨迹包含的轨迹点图像中各地图要素的深度信息;地图要素定位单元904,被配置成根据深度信息对各地图要素进行定位。
在本实施例中,地图数据自动化生产装置900中:轨迹获取单元901、众包轨迹纠偏单元902、深度信息确定单元903、地图要素定位单元904的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,轨迹获取单元901可以被进一步配置成:
获取由众包用户通过个人设备采集到的目标区域的众包轨迹,众包轨迹包括多个众包轨迹点,每个众包轨迹点均对应有至少一张众包图像;
获取由专业设备采集到的目标区域的标准轨迹,标准轨迹包括多个标准轨迹点,每个标准轨迹点均对应有至少一张标准图像。
在本实施例的一些可选的实现方式中,众包轨迹纠偏单元902可以被进一步配置成:
对每个众包轨迹点均执行预设的单轨迹点匹配操作,得到众包轨迹中的每个众包轨迹点与各候选轨迹点之间的轨迹点匹配度;
单轨迹点匹配操作包括:将与当前的众包轨迹点距离不超过预设距离的标准轨迹点,确定为候选轨迹点;从当前的众包轨迹点对应的众包图像和候选轨迹点对应的标准图像中,分别提取得到众包图像特征和标准图像特征;根据众包图像特征和标准图像特征之间的特征匹配度,确定当前的众包轨迹点与候选轨迹点的轨迹点匹配度;
基于轨迹匹配度,对每个众包轨迹点的定位进行概率校准,得到每个众包轨迹点的校准后位置、方差、概率;
将方差作为概率模型的置信度参数融合进卡尔曼滤波,并基于滤波处理后的位置、方差、速度对每个众包轨迹点进行重建,得到纠偏后众包轨迹。
在本实施例的一些可选的实现方式中,众包轨迹纠偏单元901可以包括被配置成用于执行单轨迹点匹配操作的单轨迹点匹配子单元,单轨迹点匹配子单元可以包括被配置成从当前的众包轨迹点对应的众包图像和候选轨迹点对应的标准图像中,分别提取得到众包图像特征和标准图像特征的图像特征提取模块,图像特征提取模块可以被进一步配置成:
分别将从当前的众包轨迹点对应的众包图像和候选轨迹点对应的标准图像,输入预先构建的基于注意力机制局部特征点匹配的模型;
获取由模型分别输出的众包图像特征和标准图像特征。
在本实施例的一些可选的实现方式中,众包轨迹纠偏单元901可以包括被配置成用于执行单轨迹点匹配操作的单轨迹点匹配子单元,单轨迹点匹配子单元可以包括根据众包图像特征和标准图像特征之间的特征匹配度,确定当前的众包轨迹点与候选轨迹点的轨迹点匹配度的轨迹点匹配度确定模块,轨迹点匹配模块可以被进一步配置成:
计算众包图像特征和标准图像特征之间的初始特征匹配度;
利用随机采样一致性算法对众包图像特征和标准图像特征进行几何验证,并将局内点数量作为几何验证结果;
将几何验证结果进行归一化处理,得到与初始特征匹配度拥有相同度量标准的归一化几何验证结果;
根据初始特征匹配度和归一化几何验证结果,确定最终特征匹配度;
根据最终特征匹配度,确定当前的众包轨迹点与候选轨迹点的轨迹点匹配度。
在本实施例的一些可选的实现方式中,深度信息确定单元903可以被进一步配置成:
将纠偏后众包轨迹包含的轨迹点图像输入预设的深度估计模型,深度估计模型用于表征地图图像与地图要素的深度信息之间的对应关系,训练得到深度轨迹模型的训练样本中的输入样本为图像数据、输出样本为深度图,深度图通过将点云数据对图像数据配准后得到;
获取由深度估计模型输出的相应地图要素的深度信息。
在本实施例的一些可选的实现方式中,地图数据自动化生产装置900还可以包括:
要素比较单元,被配置成利用预先构建出的实体语义地图,比较基于众包轨迹定位得到的最新地图要素和对应定位位置下的旧地图要素;
目标处理方式确定单元,被配置成响应于最新地图要素相较于旧地图要素存在变化,根据预先抽象自地图要素更新规范的变化地图要素处理标准,确定目标处理方式;
变化要素处理单元,被配置成按目标处理方式对最新地图要素进行处理,得到处理后的最新地图。
在本实施例的一些可选的实现方式中,地图数据自动化生产装置900还可以包括:
属性识别单元,被配置成基于图像识别、图像分类和语义分割技术,识别出各地图要素的属性;
实体语义地图构建单元,被配置成基于图像表示学习法得到地图要素的图像特征和基于图像场景解析得到地图的场景特征,确定多维语义特征,并基于多维语义特征构建得到实体语义地图。
本实施例作为对应于上述方法实施例的装置实施例存在。
为更好的实现地图数据的自动化生产,本装置实施例将其拆解为依次进行的两部分,即针对在先的地图要素定位部分,通过少量但精准的标准轨迹对海量但不精准的众包轨迹进行轨迹纠偏,同时结合深度信息来实现对地图要素的更准确定位;针对在后的地图要素变化及更新部分,则通过从语义层面衔接真实世界和路网数据的实体语义地图,来更好的确定存在变化的地图要素,并最终按照通过变化地图要素处理标准确定出的目标处理方式来完成对变化地图要素的合理更新,从而得以实现地图数据的自动化生产效率和准确性。
根据本公开的实施例,本公开还提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现上述任意实施例所描述的地图数据自动化生产方法。
根据本公开的实施例,本公开还提供了一种可读存储介质,该可读存储介质存储有计算机指令,该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的地图数据自动化生产方法。
根据本公开的实施例,本公开还提供了一种计算机程序产品,该计算机程序在被处理器执行时能够实现上述任意实施例所描述的地图数据自动化生产方法。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如地图数据自动化生产方法。例如,在一些实施例中,地图数据自动化生产方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的地图数据自动化生产方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行地图数据自动化生产方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
为更好的实现地图数据的自动化生产,本实施例将其拆解为依次进行的两部分,即针对在先的地图要素定位部分,通过少量但精准的标准轨迹对海量但不精准的众包轨迹进行轨迹纠偏,同时结合深度信息来实现对地图要素的更准确定位;针对在后的地图要素变化及更新部分,则通过从语义层面衔接真实世界和路网数据的实体语义地图,来更好的确定存在变化的地图要素,并最终按照通过变化地图要素处理标准确定出的目标处理方式来完成对变化地图要素的合理更新,从而得以实现地图数据的自动化生产效率和准确性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种地图数据自动化生产方法,包括:
将众包轨迹以对应的标准轨迹为基准进行轨迹纠偏,并基于纠偏后众包轨迹中包含的轨迹点图像的深度信息,对包含的各地图要素进行定位;
利用预先构建出的实体语义地图,比较基于所述纠偏后众包轨迹定位得到的最新地图要素和对应定位位置下的旧地图要素;
响应于所述最新地图要素相较于所述旧地图要素存在变化,根据预先抽象自地图要素更新规范的变化地图要素处理标准,确定目标处理方式;
按所述目标处理方式对所述最新地图要素进行处理,得到处理后的最新地图。
2.根据权利要求1所述的方法,其中,所述将众包轨迹以对应的标准轨迹为基准进行轨迹纠偏,并基于纠偏后众包轨迹中包含的轨迹点图像的深度信息,对包含的各地图要素进行定位,包括:
获取对相同区域分别采集到的众包轨迹和标准轨迹,所述众包轨迹和所述标准轨迹均包括多个轨迹点,每个轨迹点均对应有至少一张轨迹点图像;
基于所述众包轨迹和所述标准轨迹间对应轨迹点图像中匹配的图像特征,对所述众包轨迹纠偏,得到所述纠偏后众包轨迹;
确定所述纠偏后众包轨迹包含的轨迹点图像中各地图要素的深度信息;
根据所述深度信息对各所述地图要素进行定位。
3.根据权利要求2所述的方法,其中,所述获取对相同区域分别采集到的众包轨迹和标准轨迹,包括:
获取由众包用户通过个人设备采集到的目标区域的众包轨迹,所述众包轨迹包括多个众包轨迹点,每个所述众包轨迹点均对应有至少一张众包图像;
获取由专业设备采集到的目标区域的标准轨迹,所述标准轨迹包括多个标准轨迹点,每个所述标准轨迹点均对应有至少一张标准图像。
4.根据权利要求3所述的方法,其中,所述基于所述众包轨迹和所述标准轨迹间对应轨迹点图像中匹配的图像特征,对所述众包轨迹纠偏,得到所述纠偏后众包轨迹,包括:
对每个所述众包轨迹点均执行预设的单轨迹点匹配操作,得到所述众包轨迹中的每个众包轨迹点与各候选轨迹点之间的轨迹点匹配度;
所述单轨迹点匹配操作包括:将与当前的众包轨迹点距离不超过预设距离的标准轨迹点,确定为候选轨迹点;从当前的众包轨迹点对应的众包图像和所述候选轨迹点对应的标准图像中,分别提取得到众包图像特征和标准图像特征;根据所述众包图像特征和所述标准图像特征之间的特征匹配度,确定当前的众包轨迹点与所述候选轨迹点的轨迹点匹配度;
基于所述轨迹匹配度,对每个所述众包轨迹点的定位进行概率校准,得到每个所述众包轨迹点的校准后位置、方差、概率;
将所述方差作为概率模型的置信度参数融合进卡尔曼滤波,并基于滤波处理后的位置、方差、速度对每个所述众包轨迹点进行重建,得到纠偏后众包轨迹。
5.根据权利要求4所述的方法,其中,所述从当前的众包轨迹点对应的众包图像和所述候选轨迹点对应的标准图像中,分别提取得到众包图像特征和标准图像特征,包括:
分别将从当前的众包轨迹点对应的众包图像和所述候选轨迹点对应的标准图像,输入预先构建的基于注意力机制局部特征点匹配的模型;
获取由所述模型分别输出的众包图像特征和标准图像特征。
6.根据权利要求4所述的方法,其中,所述根据所述众包图像特征和所述标准图像特征之间的特征匹配度,确定当前的众包轨迹点与所述候选轨迹点的轨迹点匹配度,包括:
计算所述众包图像特征和所述标准图像特征之间的初始特征匹配度;
利用随机采样一致性算法对所述众包图像特征和所述标准图像特征进行几何验证,并将局内点数量作为几何验证结果;
将所述几何验证结果进行归一化处理,得到与所述初始特征匹配度拥有相同度量标准的归一化几何验证结果;
根据所述初始特征匹配度和所述归一化几何验证结果,确定最终特征匹配度;
根据所述最终特征匹配度,确定当前的众包轨迹点与所述候选轨迹点的轨迹点匹配度。
7.根据权利要求2所述的方法,其中,所述确定所述纠偏后众包轨迹包含的轨迹点图像中各地图要素的深度信息,包括:
将所述纠偏后众包轨迹包含的轨迹点图像输入预设的深度估计模型,所述深度估计模型用于表征地图图像与地图要素的深度信息之间的对应关系,训练得到所述深度轨迹模型的训练样本中的输入样本为图像数据、输出样本为深度图,所述深度图通过将点云数据对所述图像数据配准后得到;
获取由所述深度估计模型输出的相应地图要素的深度信息。
8.根据权利要求1-7任一项所述的方法,还包括:
基于图像识别、图像分类和语义分割技术,识别出各地图要素的属性;
基于图像表示学习法得到地图要素的图像特征和基于图像场景解析得到地图的场景特征,确定多维语义特征,并基于所述多维语义特征构建得到所述实体语义地图。
9.一种地图数据自动化生产装置,包括:
地图要素定位单元,被配置成将众包轨迹以对应的标准轨迹为基准进行轨迹纠偏,并基于纠偏后众包轨迹中包含的轨迹点图像的深度信息,对包含的各地图要素进行定位;
要素比较单元,被配置成利用预先构建出的实体语义地图,比较基于所述纠偏后众包轨迹定位得到的最新地图要素和对应定位位置下的旧地图要素;
目标处理方式确定单元,被配置成响应于所述最新地图要素相较于所述旧地图要素存在变化,根据预先抽象自地图要素更新规范的变化地图要素处理标准,确定目标处理方式;
变化要素处理单元,被配置成按所述目标处理方式对所述最新地图要素进行处理,得到处理后的最新地图。
10.根据权利要求9所述的装置,其中,所述地图要素定位单元包括:
轨迹获取子单元,被配置成获取对相同区域分别采集到的众包轨迹和标准轨迹,所述众包轨迹和所述标准轨迹均包括多个轨迹点,每个轨迹点均对应有至少一张轨迹点图像;
众包轨迹纠偏子单元,被配置成基于所述众包轨迹和所述标准轨迹间对应轨迹点图像中匹配的图像特征,对所述众包轨迹纠偏,得到所述纠偏后众包轨迹;
深度信息确定子单元,被配置成确定所述纠偏后众包轨迹包含的轨迹点图像中各地图要素的深度信息;
地图要素定位子单元,被配置成根据所述深度信息对各所述地图要素进行定位。
11.根据权利要求10所述的装置,其中,所述轨迹获取子单元被进一步配置成:
获取由众包用户通过个人设备采集到的目标区域的众包轨迹,所述众包轨迹包括多个众包轨迹点,每个所述众包轨迹点均对应有至少一张众包图像;
获取由专业设备采集到的目标区域的标准轨迹,所述标准轨迹包括多个标准轨迹点,每个所述标准轨迹点均对应有至少一张标准图像。
12.根据权利要求11所述的装置,其中,所述众包轨迹纠偏子单元被进一步配置成:
对每个所述众包轨迹点均执行预设的单轨迹点匹配操作,得到所述众包轨迹中的每个众包轨迹点与各候选轨迹点之间的轨迹点匹配度;
所述单轨迹点匹配操作包括:将与当前的众包轨迹点距离不超过预设距离的标准轨迹点,确定为候选轨迹点;从当前的众包轨迹点对应的众包图像和所述候选轨迹点对应的标准图像中,分别提取得到众包图像特征和标准图像特征;根据所述众包图像特征和所述标准图像特征之间的特征匹配度,确定当前的众包轨迹点与所述候选轨迹点的轨迹点匹配度;
基于所述轨迹匹配度,对每个所述众包轨迹点的定位进行概率校准,得到每个所述众包轨迹点的校准后位置、方差、概率;
将所述方差作为概率模型的置信度参数融合进卡尔曼滤波,并基于滤波处理后的位置、方差、速度对每个所述众包轨迹点进行重建,得到纠偏后众包轨迹。
13.根据权利要求12所述的装置,其中,所述众包轨迹纠偏子单元包括被配置成用于执行单轨迹点匹配操作的单轨迹点匹配模块,所述单轨迹点匹配模块包括被配置成从当前的众包轨迹点对应的众包图像和所述候选轨迹点对应的标准图像中,分别提取得到众包图像特征和标准图像特征的图像特征提取子模块,所述图像特征提取子模块被进一步配置成:
分别将从当前的众包轨迹点对应的众包图像和所述候选轨迹点对应的标准图像,输入预先构建的基于注意力机制局部特征点匹配的模型;
获取由所述模型分别输出的众包图像特征和标准图像特征。
14.根据权利要求12所述的装置,其中,所述众包轨迹纠偏子单元包括被配置成用于执行单轨迹点匹配操作的单轨迹点匹配模块,所述单轨迹点匹配模块包括根据所述众包图像特征和所述标准图像特征之间的特征匹配度,确定当前的众包轨迹点与所述候选轨迹点的轨迹点匹配度的轨迹点匹配度确定子模块,所述轨迹点匹配子模块被进一步配置成:
计算所述众包图像特征和所述标准图像特征之间的初始特征匹配度;
利用随机采样一致性算法对所述众包图像特征和所述标准图像特征进行几何验证,并将局内点数量作为几何验证结果;
将所述几何验证结果进行归一化处理,得到与所述初始特征匹配度拥有相同度量标准的归一化几何验证结果;
根据所述初始特征匹配度和所述归一化几何验证结果,确定最终特征匹配度;
根据所述最终特征匹配度,确定当前的众包轨迹点与所述候选轨迹点的轨迹点匹配度。
15.根据权利要求10所述的装置,其中,所述深度信息确定子单元被进一步配置成:
将所述纠偏后众包轨迹包含的轨迹点图像输入预设的深度估计模型,所述深度估计模型用于表征地图图像与地图要素的深度信息之间的对应关系,训练得到所述深度轨迹模型的训练样本中的输入样本为图像数据、输出样本为深度图,所述深度图通过将点云数据对所述图像数据配准后得到;
获取由所述深度估计模型输出的相应地图要素的深度信息。
16.根据权利要求9-14任一项所述的装置,还包括:
属性识别单元,被配置成基于图像识别、图像分类和语义分割技术,识别出各地图要素的属性;
实体语义地图构建单元,被配置成基于图像表示学习法得到地图要素的图像特征和基于图像场景解析得到地图的场景特征,确定多维语义特征,并基于所述多维语义特征构建得到所述实体语义地图。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的地图数据自动化生产方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的地图数据自动化生产方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1-8中任一项所述地图数据自动化生产方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111589727.4A CN114279433A (zh) | 2021-12-23 | 2021-12-23 | 地图数据自动化生产方法、相关装置及计算机程序产品 |
US17/961,930 US20230041943A1 (en) | 2021-12-23 | 2022-10-07 | Method for automatically producing map data, and related apparatus |
EP22200836.9A EP4105600A3 (en) | 2021-12-23 | 2022-10-11 | Method for automatically producing map data, related apparatus and computer program product |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111589727.4A CN114279433A (zh) | 2021-12-23 | 2021-12-23 | 地图数据自动化生产方法、相关装置及计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114279433A true CN114279433A (zh) | 2022-04-05 |
Family
ID=80874466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111589727.4A Pending CN114279433A (zh) | 2021-12-23 | 2021-12-23 | 地图数据自动化生产方法、相关装置及计算机程序产品 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230041943A1 (zh) |
EP (1) | EP4105600A3 (zh) |
CN (1) | CN114279433A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051614A (zh) * | 2023-03-29 | 2023-05-02 | 航天宏图信息技术股份有限公司 | 一种线状要素的多维度综合形状匹配度计算方法和装置 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115934878B (zh) * | 2023-01-30 | 2023-05-12 | 北京集度科技有限公司 | 地图要素的匹配方法、图注意力网络的训练方法及装置 |
CN116958606B (zh) * | 2023-09-15 | 2024-05-28 | 腾讯科技(深圳)有限公司 | 一种图像匹配方法及相关装置 |
CN117763064A (zh) * | 2023-11-01 | 2024-03-26 | 武汉中海庭数据技术有限公司 | 地图更新方法、系统、设备及存储介质 |
CN117351117B (zh) * | 2023-11-29 | 2024-03-08 | 之江实验室 | 一种道路结构的更新方法、装置、存储介质、设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110320155A1 (en) * | 2010-06-23 | 2011-12-29 | Aisin Aw Co., Ltd. | Track information generating device, track information generating method, and computer-readable storage medium |
CN110287276A (zh) * | 2019-05-27 | 2019-09-27 | 百度在线网络技术(北京)有限公司 | 高精地图更新方法、装置及存储介质 |
CN111625612A (zh) * | 2020-05-26 | 2020-09-04 | 北京百度网讯科技有限公司 | 高精地图的纠偏方法和装置、电子设备和存储介质 |
CN111656135A (zh) * | 2017-12-01 | 2020-09-11 | 迪普迈普有限公司 | 基于高清地图的定位优化 |
CN112132754A (zh) * | 2020-11-25 | 2020-12-25 | 蘑菇车联信息科技有限公司 | 一种车辆移动轨迹修正方法及相关装置 |
CN113407559A (zh) * | 2021-07-15 | 2021-09-17 | 广州小鹏自动驾驶科技有限公司 | 更新方法、装置及计算机存储介质 |
-
2021
- 2021-12-23 CN CN202111589727.4A patent/CN114279433A/zh active Pending
-
2022
- 2022-10-07 US US17/961,930 patent/US20230041943A1/en active Pending
- 2022-10-11 EP EP22200836.9A patent/EP4105600A3/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110320155A1 (en) * | 2010-06-23 | 2011-12-29 | Aisin Aw Co., Ltd. | Track information generating device, track information generating method, and computer-readable storage medium |
CN111656135A (zh) * | 2017-12-01 | 2020-09-11 | 迪普迈普有限公司 | 基于高清地图的定位优化 |
CN110287276A (zh) * | 2019-05-27 | 2019-09-27 | 百度在线网络技术(北京)有限公司 | 高精地图更新方法、装置及存储介质 |
CN111625612A (zh) * | 2020-05-26 | 2020-09-04 | 北京百度网讯科技有限公司 | 高精地图的纠偏方法和装置、电子设备和存储介质 |
CN112132754A (zh) * | 2020-11-25 | 2020-12-25 | 蘑菇车联信息科技有限公司 | 一种车辆移动轨迹修正方法及相关装置 |
CN113407559A (zh) * | 2021-07-15 | 2021-09-17 | 广州小鹏自动驾驶科技有限公司 | 更新方法、装置及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
WONG DAVID ET AL: "Vision-Based Vehicle Localization Using a Visual Street Map with Embedded SURF Scale", 16TH EUROPEAN CONFERENCE -COMPUTER VISON, 19 March 2015 (2015-03-19), pages 1 - 13 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051614A (zh) * | 2023-03-29 | 2023-05-02 | 航天宏图信息技术股份有限公司 | 一种线状要素的多维度综合形状匹配度计算方法和装置 |
CN116051614B (zh) * | 2023-03-29 | 2023-11-28 | 航天宏图信息技术股份有限公司 | 一种线状要素的多维度综合形状匹配度计算方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
EP4105600A2 (en) | 2022-12-21 |
EP4105600A3 (en) | 2023-06-21 |
US20230041943A1 (en) | 2023-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
CN114279433A (zh) | 地图数据自动化生产方法、相关装置及计算机程序产品 | |
WO2021073656A1 (zh) | 图像数据自动标注方法及装置 | |
CN108388882B (zh) | 基于全局-局部rgb-d多模态的手势识别方法 | |
CN113989450B (zh) | 图像处理方法、装置、电子设备和介质 | |
WO2020052530A1 (zh) | 一种图像处理方法、装置以及相关设备 | |
CN110379020B (zh) | 一种基于生成对抗网络的激光点云上色方法和装置 | |
CN113674416B (zh) | 三维地图的构建方法、装置、电子设备及存储介质 | |
CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
CN113361710B (zh) | 学生模型训练方法、图片处理方法、装置及电子设备 | |
CN112819008B (zh) | 实例检测网络的优化方法、装置、介质及电子设备 | |
CN113724388B (zh) | 高精地图的生成方法、装置、设备以及存储介质 | |
CN115719436A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN114219855A (zh) | 点云法向量的估计方法、装置、计算机设备和存储介质 | |
CN114111813B (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
CN113592015B (zh) | 定位以及训练特征匹配网络的方法和装置 | |
CN113932796A (zh) | 高精地图车道线生成方法、装置和电子设备 | |
CN115410173B (zh) | 多模态融合的高精地图要素识别方法、装置、设备及介质 | |
CN111563916B (zh) | 基于立体视觉的长时无人机跟踪定位方法、系统、装置 | |
CN115880555B (zh) | 目标检测方法、模型训练方法、装置、设备及介质 | |
CN111582278B (zh) | 人像分割方法、装置及电子设备 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN111968030B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN113901903A (zh) | 道路识别方法和装置 | |
CN114708321A (zh) | 一种基于语义的相机位姿估计方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |